검색 증강 생성(RAG) 개념은 2021년 세미널 논문을 통해 소개되었습니다.
이 표는 계속해서 정기적으로 업데이트될 예정이므로 계속해서 업데이트를 기다려 주세요!
| 설명 | 태그 | 월 | |
|---|---|---|---|
| LatentRAG: 효율적인 에이전트 RAG를 추출 및 검색 | 이 논문에서는 Agentic RAG의 추론과 검색을 이산 언어 공간에서 연속 잠재 공간으로 전환하고 단일 전달 패스에서 숨겨진 상태에서 직접 생각과 하위 쿼리에 대한 잠재 토큰을 생성하는 LatentRAG를 제안합니다. | RAG 향상 | 2026년 5월 |
| 의미론적 결합을 넘어: 직접 코퍼스 결합을 강화하는 에이전트 검색 재고 | 본 논문에서는 에이전트가 전통적인 임베딩 기반 검색 시스템에 의존하는 대신 grep, 파일 읽기, 셸 명령과 같은 범용 터미널 도구를 사용하여 원시 텍스트를 직접 검색하는 DCI(Direct Corpus Interaction)를 제안합니다. | 검색 개선 | 2026년 5월 |
| 서비스를 생성하여 추가할 수 있습니다. | 이 문서에서는 추론 파이프라인을 통해 전체 검색된 청크를 전달하는 대신 다중 홉 검색을 압축된 잠재 표현으로 압축하는 RAG용 잠재 추상화 프레임워크를 소개합니다. | RAG 향상 | 2026년 4월 |
| RAVEN: 사용자 코드 및 바이너리 프로그램의 메모리 손상 분석을 검색 연결 탐색 서비스 | 본 논문에서는 탐색, 분석, 보고서 생성, 보고서 평가의 4단계로 작동하는 메모리 손상 취약성 연구를 위한 에이전트 검색 증강 시스템인 RAVEN을 소개합니다. | 도메인별 RAG | 2026년 4월 |
| 사이버 공간 인텔리전스를 기반으로 하는 RAG를 넘어: 그래프 기반 및 에이전트 검색에 대한 평가 | 이 문서에서는 사이버 위협 인텔리전스 코퍼스에서 4가지 RAG 아키텍처(벡터 RAG, 그래프 RAG, 하이브리드 그래프-텍스트 RAG 및 실패한 쿼리를 복구하는 에이전트 그래프 변형)에 대한 체계적인 평가를 제시합니다. | 도메인별 RAG | 2026년 4월 |
| Doctor-RAG: 에이전트 검색 생성을 오류 복구 | 본 논문에서는 다중 홉 질문 응답을 수행하는 에이전트 RAG 시스템을 위한 오류 인식 복구 메커니즘인 Doctor-RAG를 소개합니다. | RAG 향상 | 2026년 4월 |
| SoK: 에이전트 검색 생성(RAG): 조용히, 평가 및 연구 방향 | 이 지식 체계화 문서는 제어 정책 및 상태 전환의 명시적 모델링을 통해 검색 생성 루프를 유한 수평 부분 관찰 가능 마르코프 결정 프로세스(POMDP)로 공식화하여 에이전트 RAG 시스템을 이해하기 위한 최초의 통합 프레임워크를 제공합니다. | RAG 설문조사 | 2026년 3월 |
| A-RAG: 스테이션적 서비스를 베어링 에이전트 생성 확장 | 이 문서에서는 계층적 검색 인터페이스(키워드 검색, 의미 체계 검색 및 청크 읽기)를 모델에 직접 노출하여 여러 세분화에 걸쳐 검색 결정을 동적으로 조정할 수 있는 에이전트 RAG 프레임워크를 소개합니다. | RAG 향상 | 2026년 2월 |
| WildGraphBench: Wild-Source Corpora를 사용하여 GraphRAG 벤치마킹 | 이 문서에서는 12개 주제와 3가지 복잡성 수준(단일 팩트 QA, 다중 팩트 QA 및 섹션 수준 요약)에 걸쳐 1,100개의 질문이 포함된 Wikipedia의 구조화된 콘텐츠를 사용하여 현실적인 시나리오에서 GraphRAG 성능을 평가하기 위한 벤치마크를 소개합니다. | RAG 평가 | 2026년 2월 |
| 정적 그래프 수집기: 보관용 수확 생성을 잘라내기 외부 감지 순회 | 이 문서에서는 고정 전이 확률이 쿼리 종속 에지 관련성을 무시하여 높은 수준의 허브 노드로 의미론적 드리프트를 일으키는 현재 그래프 기반 RAG 시스템의 "정적 그래프 오류"를 식별합니다. | RAG 향상 | 2026년 2월 |
| SAGE: 기지국 연구 에이전트를 벤치마킹 및 검색 개선 | 이 문서에서는 4개 도메인에 걸쳐 1,200개의 쿼리와 200,000개의 종이 자료를 사용하여 과학 문헌 검색을 위한 벤치마크를 소개하며, 기존 에이전트가 키워드 중심 하위 쿼리를 생성하기 때문에 기존 BM25가 LLM 기반 검색기보다 약 30% 정도 성능이 크게 향상되었음을 보여줍니다. | RAG 평가 | 2026년 2월 |
| 검색 기반 패드 박스: 검색 기능과 지원 서비스 분리 마크 | 이 문서에서는 검색 및 툴체인 결정에서 추론을 분리하여 문서 기반 추론을 평가하기 위한 제어된 평가 프레임워크인 DeR2를 소개합니다. | RAG 평가 | 2026년 1월 |
| 확장형 확장형 관계 모양을 주요 허브 기반 메모리로 다단계 RAG 개선 | 본 논문에서는 메모리를 수동 스토리지를 넘어 복잡한 추론을 위한 동적 구조로 확장하는 다단계 RAG용 하이퍼그래프 기반 메모리 메커니즘인 HGMem을 소개합니다. | RAG 향상 | 2025년 12월 |
| 더욱 장기적인 이해를 위한 Mindscape 인식 검색 생성 | 이 문서에서는 "마인드스케이프" 구성을 생성하기 위해 계층적 요약을 통해 LLM 기반 시스템에 명시적인 전역 상황 인식 기능을 갖춘 최초의 RAG 접근 방식인 MiA-RAG를 소개합니다. | RAG 향상 | 2025년 12월 |
| RAGBoost: 정확성을 거부하는 외부 환경을 위해 효율적인 호출 생성 생성 | 이 문서에서는 낮은 캐시 재사용으로 정확성을 유지하거나 추론 품질을 저하시키면서 재사용을 향상시키는 것 사이의 기존 RAG 캐싱 기술의 균형을 다룹니다. | RAG 향상 | 2025년 11월 |
| RegionRAG: 문서를 참조하여 지역 검색 생성 | 이 문서에서는 다중 모드 RAG를 문서 수준에서 지역 수준 검색 단위로 전환하여 중요한 정보에 대한 초점을 희석시키는 관련 없는 시각적 콘텐츠를 실질적으로 제거합니다. | RAG 향상 | 2025년 10월 |
| RAG-Anything: 올인원 RAG 프레임워크 | 이 문서는 교차 모드 관계를 캡처하는 이중 그래프 구성을 갖춘 통합 프레임워크를 도입하여 기존 RAG 프레임워크의 다중 모드 지식 검색 제한 사항을 해결합니다. | RAG 향상 | 2025년 10월 |
| SitEmb-v1.5: 의미 추출 및 긴 이야기 이해를 위해 추출된 단어를 검색해 보세요. | 본 논문에서는 RAG 시스템의 검색 성능을 향상시키기 위해 더 넓은 컨텍스트에 따라 짧은 텍스트 청크를 나타내는 "위치 임베딩"을 제안합니다. | 검색 개선 | 2025년 8월 |
| ComoRAG: 상태 기반의 긴 서명을 축하하며 메모리 구성 RAG | 본 논문에서는 동적 메모리 작업 공간과 상호 작용하면서 반복 주기를 통해 인간의 추론을 모방하는 인지 기반 RAG 시스템인 ComoRAG를 소개합니다. | RAG 향상 | 2025년 8월 |
| 팔꿈치를 움직이기 Agentic RAG를 관련하여: LLM의 RAG 동작 시스템에 대한 조사 | 이 포괄적인 조사는 통합된 관점에서 RAG와 추론 접근 방식을 종합하여 고급 추론이 RAG(Reasoning-Enhanced RAG)의 각 단계를 최적화하는 방법과 검색된 지식이 복잡한 추론을 위해 누락된 전제를 제공하는 방법(RAG-Enhanced Reasoning)을 매핑합니다. | RAG 설문조사 | 2025년 7월 |
| 소수 기반 청킹만 가능: 다중 다중 문서 이해로 RAG 강화 | 이 문서에서는 LMM(Large Multimodal Model)을 사용하는 다중 모드 문서 청킹 접근 방식을 도입하여 RAG 시스템에 대한 기존 텍스트 기반 청킹 방법의 제한 사항을 해결합니다. | RAG에 대한 입력 처리 | 2025년 6월 |
| NodeRAG: 이기종 컨트롤러를 사용하여 그래프 기반 RAG 구조화 | 본 논문에서는 그래프 기반 방법론을 RAG 워크플로우에 원활하게 통합하기 위해 이기종 그래프 구조를 도입하는 그래프 중심 RAG 프레임워크인 NodeRAG를 제안합니다. | RAG 향상 | 2025년 4월 |
| UniversalRAG: 다양한 형식과 세분성을 높이 평가하는 서비스 생성 | 이 문서에서는 다양한 양식과 세분성을 지닌 이기종 소스로부터 지식을 검색하도록 설계된 프레임워크인 UniversalRAG를 소개합니다. | RAG 향상 | 2025년 4월 |
| 자기를 소중히 여겨서 언어 개선 | 본 논문에서는 LLM 자체에서 생성된 추론 궤적을 활용하는 것이 핵심 아이디어인 RALM의 신뢰성과 추적성을 향상시키는 것을 목표로 하는 새로운 자기 추론 프레임워크를 제안합니다. | RAG 강화 LLM | 2025년 3월 |
| Agentic Retrieval-Augmented Generation: Agentic RAG에 대한 조사 | 이 설문조사에서는 자율 AI 에이전트를 RAG 파이프라인에 통합하는 Agentic RAG(Agentic Retrieval-Augmented Generation)에 대해 살펴봅니다. | RAG 설문조사 | 2025년 2월 |
| 다수의 병력 전투를 위한 생성 개선 | 본 논문에서는 RAG(Retrieval-Augmented Generation) 시스템의 각 구성 요소를 강화 학습 에이전트로 처리하는 프레임워크인 MMOA-RAG를 소개합니다. | RAG 향상 | 2025년 1월 |
| OmniThink: 사고를 통해 기계 글쓰기의 지식 경계 확장 | OmniThink는 인간과 같은 반복적 확장 및 반영을 에뮬레이트하는 느린 사고 방식의 기계 작성 프레임워크를 제안합니다. | RAG 향상 | 2025년 1월 |
| 검색 생성: 기념 기념 전시 | 본 연구에서는 언어 모델 크기, 프롬프트 디자인, 문서 청크 크기 및 검색 전략을 포함하여 검색 증강 생성(RAG) 시스템의 성능에 영향을 미치는 주요 요소를 조사합니다. | RAG 향상 | 2025년 1월 |
| VideoRAG: Video 코퍼스를 불러오기 생성 | VideoRAG는 쿼리와의 관련성을 기반으로 관련 비디오를 동적으로 검색하고 출력 생성에서 비디오의 시각적 정보와 텍스트 정보를 모두 활용하는 프레임워크를 도입합니다. | RAG 향상 | 2025년 1월 |
| LLM을 절단한 긴 부분과 RAG: 평가 및 재검토 | 이 연구에서는 대규모 언어 모델에 광범위한 외부 지식을 통합하기 위해 컨텍스트 창 확장(Long Context)과 검색기(RAG) 사용을 비교합니다. | 비교 논문 | 2025년 1월 |
| RAG를 수행하지 마세요: 캐시 기반 생성이 지식 작업에 필요한 모든 경우 | 이 논문에서는 RAG(Retrieval-Augmented Generation)의 대안으로 CAG(Cache-Augmented Generation)를 제안합니다. | RAG 향상 | 2024년 12월 |
| RAG에 대한 프리미엄의 검색을 향하여 | 이 문서에서는 특히 질문 응답 작업에 대해 검색 증강 생성(RAG) 시스템에서 검색 구성 요소를 최적화하는 방법을 조사합니다. | 검색 개선 | 2024년 11월 |
| Auto-RAG: 추가 기능 모델을 사용하여 자동으로 강화 생성 | Auto-RAG는 대규모 언어 모델의 추론 기능을 활용하는 자율 반복 검색 모델을 도입합니다. | RAG 향상 | 2024년 11월 |
| HtmlRAG: RAG 시스템에서 검색된 지식을 모델링하는 데 HTML이 일반 텍스트보다 낫습니다 | 본 논문에서는 RAG(Retrieval-Augmented Generation) 시스템에서 구조적, 의미적 정보를 유지하기 위해 일반 텍스트 대신 HTML을 사용하는 시스템인 HtmlRAG를 제안합니다. | RAG 향상 | 2024년 11월 |
| 텍스트를 넘어서: 편집을 다양하게 입력하여 RAG 최적화 | 이 문서에서는 산업용 애플리케이션을 위한 검색 증강 생성(RAG) 시스템에 다중 모드 모델을 통합하는 방법을 살펴봅니다. | RAG 향상 | 2024년 10월 |
| 롱RAG | ?”이 논문에서는 긴 문서에 대한 전체적인 이해와 정확한 사실적 세부 사항이라는 두 가지 관점을 결합하여 긴 컨텍스트 질문 응답을 개선하도록 설계된 시스템인 LongRAG를 소개합니다. | 2024년 10월 | |
| 사실, 가져온 이유: 검색 기록에 대한 통합 평가 | FRAMES는 사실성, 검색 및 추론에 중점을 두고 엔드투엔드 RAG(검색 증강 생성) 시나리오에서 LLM(대형 언어 모델)을 테스트하는 것을 목표로 새로 제안된 평가 데이터 세트입니다. | RAG 평가 | 2024년 9월 |
| 검색된 범위를 통해 의료 LLM 강화 | 이 문서에서는 특히 의료 분야에서 LLM(대형 언어 모델)의 사실성과 신뢰성을 향상시키기 위한 컨텍스트 검색 방법의 한계와 잠재력을 조사합니다. | 검색 개선 | 2024년 9월 |
| GraphRAG로 축구 구조 데이터 검색 향상: 데이터 지표 연구 | Structured-GraphRAG는 여러 지식 그래프를 활용하여 자연어 쿼리의 구조화된 데이터 세트에서 정보 검색을 개선하도록 설계된 새로운 프레임워크입니다. | 검색 개선 | 2024년 9월 |
| MemoRAG: 메모리 기반 지식 발견을 통해 RAG로 노력기 | MemoRAG는 기존 RAG가 어려움을 겪고 있는 복잡한 작업을 처리하기 위해 장기 메모리 기능을 향상시키는 검색 증강 생성(RAG)에 대한 새로운 접근 방식입니다. | RAG 향상 | 2024년 9월 |
| RetrievalAttention: 벡터 검색을 통해 장기 설명 LLM 보존 기념 | 이 문서에서는 긴 컨텍스트 시나리오에서 높은 GPU 메모리 소비 및 추론 대기 시간 문제를 해결하여 대규모 언어 모델에서 주의 계산 속도를 높이는 훈련이 필요 없는 방법인 RetrievalAttention을 소개합니다. | 검색 개선 | 2024년 9월 |
| 스트레칭: 긴장 훈련을 목적으로 검색하는 사용자의 언어 모델처럼 자세를 표시할 수 있습니다. | Promptriever는 언어 모델처럼 프롬프트되도록 설계된 새로운 검색 모델로, 사용자에게 보다 직관적인 인터페이스를 제공합니다. | 검색 개선 | 2024년 9월 |
| 그래프 검색-증강 생성: 설문 조사 | 이 문서에서는 LLM 출력의 정확성과 상황 인식을 향상시키기 위해 데이터베이스 엔터티 간의 구조적 관계를 활용하여 RAG를 향상시키는 새로운 접근 방식인 GraphRAG를 소개합니다. | 도메인별 RAG | 2024년 8월 |
| 시계 열 분석을 유지하는 서비스 생성 | 이 문서에서는 복잡한 시공간 종속성 및 분포 이동과 같은 문제를 극복하도록 설계된 시계열 분석을 위한 새로운 에이전트 검색-증강 생성 프레임워크를 소개합니다. | 도메인별 RAG | 2024년 8월 |
| 판도라의 상자 또는 알라딘의 램프: 궁전 모델에서 RAG 같은의 역할을 한다는 것을 분석합니다 | 이 문서에서는 모든 노이즈가 LLM(대형 언어 모델)에 해롭다는 가정에 도전하면서 다양한 노이즈 유형이 검색 증강 생성(RAG) 시스템에 미치는 영향을 탐구합니다. | RAG 설문조사 | 2024년 8월 |
| RAG Foundry: 서명 생성을 위해 LLM 강화를 프레임워크 | 이 문서에서는 RAG(Retrieval-Augmented Generation) 시스템 구현을 단순화하도록 설계된 오픈 소스 프레임워크인 RAG Foundry를 소개합니다. | RAG 프레임워크 | 2024년 8월 |
| 검색 생성의 우수 전시 검색 | 이 논문은 특히 전문 분야에서 최신 정보를 제공하고, 환각을 줄이고, 응답 품질을 향상시키는 검색 증강 생성 기술의 효과를 탐구합니다. | RAG 설문조사 | 2024년 7월 |
| RankRAG: LLM의 검색 기록으로 데스크탑 스트리밍 통합 | 이 논문에서는 검색 증강 생성(Retrieval-Augmented Generation)에서 컨텍스트 순위와 답변 생성을 모두 최적화하는 LLM을 위한 혁신적인 지침 미세 조정 프레임워크인 RankRAG를 소개합니다. | 검색 개선 | 2024년 7월 |
| RAG의 효율적인 답변 생성을 실행하는 임베딩 | 이 논문에서는 긴 컨텍스트 입력을 몇 가지 컨텍스트 임베딩으로 줄여 RAG(검색 증강 생성)의 성능을 가속화하는 컨텍스트 압축 방법인 COCOM을 소개합니다. | RAG 향상 | 2024년 7월 |
| 증강 생성 또는 장기 컨텍스트 LLM 검색? | 이 백서에서는 확장된 컨텍스트를 이해하는 데 탁월한 Gemini-1.5 및 GPT-4와 같은 최신 LLM의 RAG(검색 증강 생성) 및 LC(장문맥락) 기능을 비교합니다. | 비교 논문 | 2024년 7월 |
| 규칙: 의료 비전 언어 모델의 사실성을 위한 신뢰할 수 있는 다중 모드 RAG | Med-LVLM(의료용 대형 비전 언어 모델)의 출현으로 의료 진단이 향상되었지만 이러한 모델은 실제로 부정확한 응답을 생성하는 경우가 많습니다. | 도메인별 RAG | 2024년 7월 |
| ChatQA 2: 확장 확장 및 RAG 기능에서 독점 LLM과의 북쪽 | 이 논문에서는 장기 컨텍스트 이해 및 검색 증강 생성 분야에서 GPT-4-Turbo와 같은 독점 모델과 경쟁하도록 설계된 Llama3 기반 모델인 ChatQA 2를 소개합니다. | RAG 향상 | 2024년 7월 |
| 건초 사용자 요약: 확장 확장 LLM 및 RAG 시스템에 대한 주제 | LLM 및 RAG 시스템은 이제 대규모 입력 크기를 처리할 수 있지만 긴 컨텍스트 작업에 대한 성능을 평가하는 것은 여전히 어렵습니다. | RAG 평가 | 2024년 7월 |
| RAGElo를 사용하여 RAG-Fusion 평가: 자동화된 Elo 기반 프레임워크 | 이 백서는 도메인별 지식 환각과 Infineon Technologies의 내부 작업에 대한 적절한 벤치마크의 부족에 중점을 두고 RAG(검색 증강 생성) QA 시스템을 평가할 때의 과제를 다룹니다. | RAG 평가 | 2024년 6월 |
| LongRAG: 장기간 LLM을 사용하여 생성 강화 | 전통적인 RAG 프레임워크에서 DPR과 같은 짧은 검색 단위는 100단어 Wikipedia 단락과 함께 작동하므로 비효율적입니다. | RAG 향상 | 2024년 6월 |
| PlanRAG: 의사 결정자로서 생성된 대형 음향 모델을 계획한 후 저장하십시오. | 이 문서에서는 Europa Universalis IV 및 Victoria 3와 같은 비디오 게임 시나리오에 대한 의사결정 QA 벤치마크(DQA)를 소개하여 의사결정 작업을 다룹니다. | RAG 향상 | 2024년 6월 |
| RAG 부분에서 다양하게: 언어 모델이 사실적 쿼리를 위해 개별 정보에 대한 외부 지식을 활용하는 방법 조사 | 이 논문에서 저자는 RAG를 기계적으로 조사하여 언어 모델이 질문에 답하기 위해 파라메트릭 메모리보다는 문맥 정보에 주로 의존한다는 사실을 밝혔습니다. | RAG 향상 | 2024년 6월 |
| 생각하는 것: 보관된 언어 모델을 사용하여 소비하는 것이 좋습니다. | 이 논문에서는 메타 버퍼를 사용하여 작업 전반에 걸쳐 효율적인 추론을 위해 유익한 사고 템플릿을 저장하고 적용함으로써 LLM을 향상시키는 새로운 접근 방식인 생각 버퍼(BoT)를 소개합니다. | RAG 향상 | 2024년 6월 |
| SeaKR: 대용량 검색 생성을 위한 인식 기능 검색 | 이 백서에서는 LLM의 자기 인식 불확실성을 활용하여 지식 검색 및 통합을 향상시키는 새로운 적응형 RAG 모델인 자기 인식 지식 검색(SeaKR)을 소개합니다. | RAG 향상 | 2024년 6월 |
| RE-AdaptIR: 리버스 매력적인 적극적 정보 제공 | 이 문서에서는 수많은 레이블이 지정된 예제 없이 정보 검색(IR)을 위한 대규모 언어 모델(LLM)을 향상시키기 위해 역엔지니어링 적응(RE-AdaptIR)을 사용하는 방법을 살펴봅니다. | 검색 개선 | 2024년 6월 |
| CRAG - 종합 RAG 벤치마크 | CRAG(Comprehensive RAG Benchmark)는 다양하고 동적인 4,409개의 질문-답변 쌍 세트와 웹 및 지식 그래프 검색을 시뮬레이션하기 위한 모의 API를 제공하여 기존 RAG 데이터 세트의 한계를 해결합니다. | RAG 평가 | 2024년 6월 |
| 신뢰와 정확성의 이야기: RAG 시스템의 기본 및 교육 LLM | 지침을 따르도록 미세 조정된 "지시된" LLM을 선호하는 일반적인 관행과는 달리, 이 연구에서는 기본 모델이 RAG 작업에서 지시받은 모델보다 평균 20% 더 나은 성능을 보인다는 사실을 발견했습니다. | RAG 향상 | 2024년 6월 |
| 동일성이 모두 필요한 것은 아닙니다: 다층 적 사고로 검색 생성 생성 | 이 작업은 시기적절함, 높은 지식 업데이트 비용 및 환각과 같은 문제로 인해 지식 집약적 작업에서 현재 대규모 언어 모델의 한계를 강조합니다. | RAG 향상 | 2024년 5월 |
| HippoRAG 신경생물체로 구분되는 하위 언어 모델을 장기 기억 | 이 논문에서는 대규모 언어 모델에서 지식 통합을 향상시키기 위해 해마 색인 이론에서 영감을 받은 검색 프레임워크인 HippoRAG를 소개합니다. | RAG 향상 | 2024년 5월 |
| 연결하는 것을 잊지 마세요! | 이 논문은 문서에 부분적인 정보가 있거나 문맥과의 연결이 덜 명확할 때 검색 증강 생성의 문제를 다룹니다. | 검색 개선 | 2024년 5월 |
| GNN-RAG: 대규모 언어 모델 추론을 위한 그래프 신경 검색 | 이 논문에서는 KGQA(지식 그래프 질문 응답)를 위해 LLM과 GNN(그래프 신경망)을 결합한 방법인 GNN-RAG를 소개합니다. | 도메인별 RAG | 2024년 5월 |
| 기술용 RAG 시스템 구축에 대한 전망 | 기술 문서에 대한 검색 증강 생성(RAG)은 임베딩이 도메인 정보를 캡처하지 않는 경우가 많기 때문에 문제가 발생합니다. | RAG 설문조사 | 2024년 5월 |
| RAG 및 RAU: 자연어 처리의 검색 언어 모델에 관한 설문조사 | 이 논문에서는 LLM이 NLP 문제를 해결하고 외부 정보를 통합하여 성과를 높이는 방법을 조사합니다. | RAG 설문조사 | 2024년 4월 |
| 검색 시기: LLM에게 정보 검색을 활용하도록 교육 | 이 문서에서는 특히 질문에 답변하기 위해 추가 컨텍스트가 필요한 경우 LLM이 정보 검색(IR) 시스템과 효과적으로 통합할 수 있는 방법을 보여줍니다. | RAG 향상 | 2024년 4월 |
| 사용자 로그인 생성에 관한 설문 조사 | 본 논문에서는 실시간 외부 정보를 통합하여 대규모 언어 모델의 정적 한계를 극복하기 위해 검색 방법과 딥러닝을 결합한 검색-증강 생성(Retrieval-Augmented Generation)을 소개합니다. | RAG 설문조사 | 2024년 4월 |
| RA-ISF: 반복적 자기소개를 사랑하며 확대를 위한 응답 및 이해 | RA-ISF는 작업을 반복적으로 분해하고 이를 3개의 하위 모듈에서 처리함으로써 대규모 언어 모델의 문제 해결 능력을 향상시키기 위해 검색 증강 반복 자체 피드백을 제안합니다. | RAG 향상 | 2024년 3월 |
| RAFT: 펭귄별 RAG에 언어 적용 | 이 문서에서는 도메인별 컨텍스트에서 질문에 답할 수 있는 사전 훈련된 대형 언어 모델의 능력을 향상시키기 위해 설계된 훈련 접근 방식인 RAFT(Retrieval Augmented FineTuning)를 소개합니다. | RAG 향상 | 2024년 3월 |
| 더 많은 정보를 제공하고 저장하여 생성할 수 있습니다. | 이 문서에서는 질문 응답 작업에서 저주파 엔터티에 대한 대규모 언어 모델의 성능을 향상시키는 검색 증강 생성 및 미세 조정(FT) 접근 방식의 효과를 조사합니다. | 비교 논문 | 2024년 3월 |
| 언어 모델 개선을 통해 검색할 수 있습니다. | 이 문서에서는 대규모 코퍼스에서 검색된 문서 청크를 조건으로 자동 회귀 언어 모델을 향상시키는 검색 강화 변환기인 RETRO를 소개합니다. | RAG 강화 LLM | 2024년 3월 |
| RAT: 확장된 생각 검색은 장수평 영화에서 인식을 통해 유도됩니다. | RAT 방법은 정보 검색을 통해 검색된 관련 정보로 일련의 사고를 반복적으로 수정함으로써 장거리 작업에서 대규모 언어 모델의 추론 및 생성 능력을 향상시킵니다. | RAG 향상 | 2024년 3월 |
| 클라스 언어 모델은 더 나은 지식을 갖고 있습니다. | 학습 조정 언어 모델은 더 나은 지식입니다. 학습자는 표준 접근 방식과 달리 문서에 대한 교육을 시작하기 전에 질문에 대한 학습 조정을 수행하는 방법인 사전 학습 조정(PIT)을 도입합니다. | 명령어 튜닝 | 2024년 2월 |
| 사용자용 서비스: 플러그인 모델의 환각 br을 활용하는 검색 기능 | 환각은 제한된 내부 지식으로 인해 대규모 언어 모델에 심각한 문제를 야기하는 경우가 많습니다. | RAG 향상 | 2024년 2월 |
| G-Retriever: 텍스트 그래프 이해 및 질문 응답을 검색 생성합니다. | 이 논문에서는 사용자가 다양한 실제 애플리케이션에 대한 대화형 인터페이스를 통해 텍스트 그래프를 대화형으로 쿼리할 수 있는 프레임워크인 GraphQA를 소개합니다. | 리트리버 개선 | 2024년 2월 |
| 작성자원 작성을 위해 로그인하십시오. | RADA(Retrieval-Augmented Data Augmentation)는 제한된 교육 데이터를 사용하여 리소스가 부족한 환경에서 모델 성능을 향상시키는 것을 목표로 하는 방법입니다. | 도메인 특정 RAG | 2024년 2월 |
| RAPTOR: 트리 구성 검색을 재귀적 추상 처리 | RAPTOR는 대규모 문서에서 계층적 요약 트리를 구성하는 방법을 도입하여 검색이 강화된 언어 모델링에 대한 새로운 접근 방식을 제시하여 보다 미묘하고 포괄적인 정보 검색을 가능하게 합니다. | RAG 향상 | 2024년 1월 |
| RAG 대감축 조정파이프라인, 댄스충 및 농업 농업 연구 | 이 문서에서는 개발자가 독점 및 도메인별 데이터를 대규모 언어 모델에 통합하기 위해 사용하는 두 가지 방법인 검색 증강 생성 및 미세 조정을 탐구합니다. | 비교 논문 | 2024년 1월 |
| 확장 검색 생성 | CRAG는 검색 증강 생성 프로세스 중에 대규모 언어 모델의 견고성과 정확성을 향상시키는 새로운 전략을 도입합니다. | RAG 향상 | 2024년 1월 |
| UniMS-RAG: 개인화 대화 시스템을 통합 다중 소스 제공 강화 | 이 논문에서는 여러 지식 소스를 통합하여 대화 시스템의 개인화 문제를 해결하도록 설계된 새로운 프레임워크인 UniMS-RAG를 소개합니다. | 도메인 특정 RAG | 2024년 1월 |
| 플러그인 사용자 삽입 만들기: 사용자 참여 참여 | 이 설문 조사에서는 환각 및 오래된 지식을 포함하여 대규모 언어 모델이 직면한 문제에 대한 솔루션인 검색 증강 생성에 대해 자세히 조사합니다. | RAG 설문조사 | 2023년 12월 |
| Chain-of-Note: 검색 기능 모델의 키보드 기능 강화 | CoN(Chain-of-Noting)은 관련이 없거나 시끄러운 정보를 처리하는 문제를 해결하고 질문에 대답할 충분한 지식이 부족한 경우를 인식하는 모델의 능력을 향상시켜 검색 증강 언어 모델(RALM)의 견고성과 신뢰성을 향상시키는 혁신적인 접근 방식을 도입합니다. | RAG 강화 LLM | 2023년 11월 |
| 구분에서 독립된 언어 검색에 대해 ICL에 대한 통찰 | 이 논문에서는 교차 언어 검색 증강 상황 내 학습을 통해 자원이 적은 언어에서 다중 언어 사전 훈련된 언어 모델(MPLM)의 제로샷 학습 기능을 향상시키도록 설계된 혁신적인 방법인 CREA-ICL을 소개합니다. | 도메인 특정 RAG | 2023년 11월 |
| REST: 검색 기반 요소 반응 | 이 논문에서는 언어 모델 생성 가속화를 목표로 하는 검색 기반 추측 디코딩이라는 새로운 알고리즘인 REST를 소개합니다. | RAG 향상 | 2023년 11월 |
| 써비스 생성을 위한 남은 기간 | 검색 증강 시스템에서 생성 모델에 제공되는 컨텍스트의 품질을 향상시키기 위해 FILCO 방법이 도입되었습니다. | RAG 향상 | 2023년 11월 |
| Self-RAG: 자기 성찰을 불러, 생성 및 | Self-RAG는 검색 및 자기 성찰 프로세스를 통합하여 대규모 언어 모델의 품질과 정확성을 향상시키는 새로운 접근 방식을 도입합니다. | RAG 향상 | 2023년 10월 |
| 검색을 통해 생성된 쿠키 벤치마킹 | 이 문서에서는 검색 증강 생성이 효과적인 RAG 애플리케이션에 필수적인 다양한 기능에 걸쳐 대규모 언어 모델의 성능에 어떻게 영향을 미치는지 평가하는 중요한 작업을 다룹니다. | RAG 평가 | 2023년 10월 |
| 지식 기반 언어 검증 | 이 논문에서는 지식 확대 프로세스에 검증 단계를 통합하여 언어 모델 응답의 사실적 정확성을 향상시키는 것을 목표로 하는 새로운 방법을 소개합니다. | RAG 향상 | 2023년 10월 |
| 의미를 제거하기 위해 강화 리더 모델 최적화 | 본 연구에서는 질문 답변 및 사실 확인과 같은 개방형 도메인 작업에 널리 사용되는 검색 증강 언어 모델인 FiD(Fusion-in-Decoder)의 효율성을 향상시키는 접근 방식을 소개합니다. | RAG 강화 LLM | 2023년 10월 |
| 확장된 버전의 사용자 인터페이스 기반 검색 확대 | SKR(Self-Knowledge Guided Retrieval)은 외부 지식을 지능적으로 통합하여 대규모 언어 모델의 성능을 향상시키도록 설계된 새로운 방법입니다. | 리트리버 개선 | 2023년 10월 |
| 설명 트리: 검색용 플러그인 모델을 사용하여 모호한 질문에 대한 답변 | "ToC(명확화 트리)" 프레임워크는 구조화된 잠재적 해석 트리를 생성하여 포괄적인 긴 형식의 답변을 생성함으로써 개방형 도메인 질문 답변에서 모호한 질문 문제를 해결합니다. | RAG 강화 LLM | 2023년 10월 |
| 게임을 생성하여 사용할 수 있는 언어 파일 | 이 논문에서는 검색 및 생성 프로세스를 결합하여 지식 집약적인 작업을 위한 대규모 언어 모델을 향상시키는 새로운 반복 프레임워크를 소개합니다. | RAG 향상 | 2023년 10월 |
| 추천: 압축 및 군사 확장을 통해 검색 강화 LM 개선 | RECOMP는 검색된 문서를 모델의 컨텍스트에 통합하기 전에 간결한 요약으로 압축하여 검색 증강 언어 모델의 효율성을 최적화하는 방법을 도입합니다. | RAG 향상 | 2023년 10월 |
| 검색과 긴 확장 연결 언어의 만남 | 이 논문에서는 대규모 언어 모델에서 검색 확대 및 확장된 컨텍스트 창의 비교 이점과 이들의 조합이 다양한 다운스트림 작업에 대해 우수한 결과를 얻을 수 있는지 여부를 조사합니다. | 비교 논문 | 2023년 10월 |
| 관련 없는 문맥에 대해 검색해 보세요. | 이 문서에서는 특히 다중 홉 추론 작업 중에 관련 없는 정보에 직면할 때 검색 증강 언어 모델(RALM)이 효과적이고 정확한 상태를 유지하도록 보장하는 과제를 다룹니다. | RAG 강화 LLM | 2023년 10월 |
| RA-DIT: 서비스 제공 | RA-DIT는 검색 기능을 갖추기 위해 모든 대규모 언어 모델에 적용할 수 있는 2단계 경량 미세 조정 프로세스를 도입하여 검색 증강 언어 모델(RALM)을 향상시키는 새로운 접근 방식을 제시합니다. | RAG 강화 LLM | 2023년 10월 |
| InstructRetro: 표준화 후 검색-증강 학습 사전 | InstructRetro는 검색 증강 사전 학습을 통해 자동 회귀 대형 언어 모델을 향상시키는 아이디어를 기반으로 하며 동종 모델 중 가장 큰 모델인 Retro 48B를 제시합니다. | RAG 강화 LLM | 2023년 10월 |
| GAR-meets-RAG를 통해 정보를 검색하실 수 있습니다 | GAR과 RAG의 만남 접근 방식은 두 가지 패러다임인 GAR(생성 증강 검색)과 RAG(검색 증강 생성)를 혁신적으로 결합하여 대상 도메인에서 레이블이 지정된 데이터를 사용할 수 없는 제로샷 정보 검색 문제를 해결합니다. | 리트리버 개선 | 2023년 10월 |
| 관계된 언어 모델을 강화하기 위해 무엇을 검색할 것인지 | 이 논문에서는 검색 증강을 활용하여 대규모 언어 모델이 직면한 문제를 해결하도록 설계된 통합 모델인 LLM-Embedder를 제안합니다. | 리트리버 개선 | 2023년 10월 |
| DSPy: 선언적 언어 자격 취득을 위한 자체 개선 파이프라인으로 | DSPy는 언어 모델(LM) 파이프라인을 개발하고 최적화하기 위한 체계적인 접근 방식을 도입하여 이를 텍스트 변환 그래프로 추상화합니다. | RAG 향상 | 2023년 10월 |
| RegaVAE: 변형을 적용하여 변형 가우스를 변형할 수 있습니다. | 새로운 검색 증강 언어 모델인 RegaVAE는 생성 중 관련 정보 검색 및 효과적인 통합을 결정하는 과제를 해결합니다. | RAG 강화 LLM | 2023년 10월 |
| 텍스트 임베딩은 문자만큼(거의) 많은 것을 선택합니다. | 이 논문에서는 임베딩으로부터 원본 텍스트를 재구성하는 것을 목표로 텍스트 임베딩 반전을 탐구합니다. | 임베딩 | 2023년 10월 |
| 장문 질문 답변을 검색 확대 이해 | 이 논문은 긴 형식의 질문 답변에 대한 검색 증강 언어 모델의 효과를 조사합니다. | RAG 강화 LLM | 2023년 10월 |
| 검색보다는 생성: 기능 파일을 저장 생성기 | 이 연구에서는 대규모 언어 모델을 활용하여 상황별 문서를 검색하는 대신 생성함으로써 개방형 도메인 질문 답변과 같은 지식 집약적 작업을 처리하기 위한 새로운 접근 방식인 GenRead를 소개합니다. | RAG 향상 | 2023년 9월 |
| RAGAS: 검색 생성의 자동 평가 | RAGA는 사람이 주석을 추가할 필요 없이 검색 증강 생성 시스템을 평가하는 새로운 방법을 도입합니다. | RAG 평가 | 2023년 9월 |
| RaLLe: 검색 기능 대형 언어 모델 개발 및 평가를 프레임워크 | RaLLe은 특히 질문 답변과 같이 높은 수준의 사실적 정확성이 필요한 작업을 위해 검색 증강 대형 언어 모델(R-LLM)의 개발 및 평가를 향상시키는 것을 목표로 하는 오픈 소스 프레임워크를 도입합니다. | RAG 강화 LLM | 2023년 8월 |
| RAVEN: 요구사항-디코더 언어 모델을 사용하는 상황별 학습 | 이 논문은 검색 증강을 통해 인코더-디코더 언어 모델의 상황 내 학습을 개선하는 접근 방식인 RAVEN을 제시합니다. | RAG 강화 LLM | 2023년 8월 |
| KnowledGPT: 지식 기반 검색 및 저장 액세스를 통해 전용 언어 모델 강화 | KnowledGPT는 완전성, 적시성, 충실성 및 적응성에 관한 대규모 언어 모델의 한계를 지식 기반과 통합하여 극복하기 위한 새로운 프레임워크를 도입합니다. | 입력 전처리 | 2023년 8월 |
| 관련 언어 모델에 대한 상황 내 예제를 검색하는 방법을 학습합니다. | 이 문서에서는 고품질 예제를 식별하기 위해 밀집 검색기를 반복적으로 훈련하여 대규모 언어 모델에 대한 상황 내 학습을 개선하기 위한 새로운 프레임워크를 소개합니다. | 리트리버 개선 | 2023년 7월 |
| 유용한 서비스 생성 | 이 문서에서는 생성된 콘텐츠의 사실적 부정확성 또는 "환각"이라는 일반적인 문제를 해결하면서 Active Retrieval Augmented Generation을 통해 대규모 언어 모델을 향상하는 방법을 탐구합니다. | 리트리버 개선 | 2023년 5월 |
| 베이스 플레이트 지식 안내를 게스트로 제공하는 연주 모델 | 이 논문은 도메인별 작업에서 대규모 언어 모델의 성능을 향상시키는 것을 목표로 하는 새로운 PKG(Parametric Knowledge Guiding) 프레임워크를 제시합니다. | 도메인 특정 RAG | 2023년 5월 |
| Lift Yourself Up: 라이브 기억을 연주하는 텍스트 생성 | 이 논문에서는 모델의 자체 출력을 무제한 메모리 풀로 활용하여 기존 메모리 검색 방법의 한계를 해결하는 검색 증강 텍스트 생성을 위한 프레임워크인 "selfmem"을 소개합니다. | 기억력 향상 | 2023년 5월 |
| 검색이 강화된 라이브러리 모델을 사용하여 쿼리를 재작성합니다. | 본 연구에서는 Rewrite-Retrieve-Read라는 쿼리 재작성을 통해 검색이 강화된 대규모 언어 모델을 개선하기 위한 프레임워크를 제안합니다. | 입력 전처리 | 2023년 5월 |
| 지식 기반 대화형 생성을 도표로 표현하는 도구 모음 | 이 논문에서는 지식 그래프(KG)를 언어 모델의 응답 프로세스에 통합하여 지식 기반 대화 생성을 향상하도록 설계된 프레임워크인 SURGE를 소개합니다. | 리트리버 개선 | 2023년 5월 |
| 구조 언어 모델 사전 훈련으로 구조화된 데이터를 검색할 수 있습니다. | SANTA 모델은 구조화된 콘텐츠의 복잡성에 대해 언어 모델을 교육하는 고유한 접근 방식을 통해 구조화된 데이터 검색을 개선하는 데 중점을 둡니다. | 리트리버 개선 | 2023년 5월 |
| 활용형 활용형 검색기는 일반 활용으로 언어 모델의 일반화를 향상시킵니다. | 이 논문에서는 AAR(Augmentation-Adapted Retriever)을 통해 언어 모델의 검색 증대에 대한 새로운 접근 방식을 소개합니다. | 리트리버 개선 | 2023년 5월 |
| 반복 검색 생성 효과를 유지하기 위해 휴대용 오디오 강화 기능을 제공합니다. | 이 논문에서는 검색과 생성 프로세스 간의 동적 상호 작용을 시작하여 검색이 강화된 대규모 언어 모델을 향상시키는 방법인 Iter-RetGen을 소개합니다. | RAG 강화 LLM | 2023년 5월 |
| 업무를 수행하지 않는 업무를 계속하여 보호하도록 강화합니다. | 이 논문에서는 검색 증강 방법을 사용하여 비지식 집약적(NKI) 작업을 향상하도록 설계된 2단계 프레임워크인 PGRA를 소개합니다. | 리트리버 혁신 | 2023년 5월 |
| RET-LLM: 호환 언어 모델을 기념하여 일반 읽기-쓰기 메모리를 지원합니다. | RET-LLM은 일반 쓰기-읽기 메모리 단위를 대형 언어 모델에 통합하여 지식을 명시적으로 저장하고 검색하는 데 따른 한계를 해결하는 프레임워크를 도입합니다. | 기억력 향상 | 2023년 5월 |
| 지식 체인: 이기종 소스에 활발히 활동하는 커뮤니티 지식을 통해 언어 모델 기반 | CoK(Chain-of-Knowledge)는 보다 정확하고 환각이 없는 콘텐츠를 생성하는 것을 목표로 다양한 소스의 기본 정보를 동적으로 통합하여 대규모 언어 모델을 향상하도록 설계된 프레임워크입니다. | 리트리버 개선 | 2023년 5월 |
| 검색을 통해 자기회귀 언어 모델을 사전 훈련해야 합니까? | 이 논문에서는 대규모 자동 회귀 언어 모델이 검색을 통해 사전 학습되어야 하는지 여부를 조사합니다. | RAG 강화 LLM | 2023년 4월 |
| UPRISE: 제로샷 평가 개선을 위한 범용 프롬프트 검색 | UPRISE는 모델이나 작업별 조정 없이 주어진 제로 샷 작업에 적합한 프롬프트를 자동으로 검색하는 방법을 도입하여 대규모 언어 모델의 다양성을 향상시키는 것을 목표로 합니다. | LLM 일반화 | 2023년 3월 |